邊緣檢測方法應用於哪裡

⑴ 邊緣檢測運算元sobel prewitt在圖像處理中的應用

% -------------------------Sobel運算元-------------------------
I=I3;
[m,n]=size(I);
G_sh=zeros(m,n); % 水平方向的邊緣
G_sv=zeros(m,n); % 垂直方向的邊緣
G_s=zeros(m,n); % 不考慮方向的邊緣
t=input('請輸入Sobel運算元的域值：') % I的域值
g1=zeros(m,n);g2=zeros(m,n);
for i=2:m-1
for j=2:n-1
g1(i,j)=I(i-1,j+1)+2*I(i,j+1)+I(i+1,j+1)-1*I(i-1,j-1)-2*I(i,j-1)-I(i+1,j-1);
g2(i,j)=I(i-1,j-1)+2*I(i-1,j)+I(i-1,j+1)-I(i+1,j-1)-2*I(i+1,j)-I(i+1,j+1);
end
end
g=abs(g1)+abs(g2);
for i=1:m
for j=1:n
if g1(i,j)>t
G_sv(i,j)=1;
end
if g2(i,j)>t
G_sh(i,j)=1;
end
if g(i,j)>t
G_s(i,j)=1;
end
end
end
figure,imshow(G_sv),title(strcat('垂直方向邊緣 t=',num2str(t)))
figure,imshow(G_sh),title(strcat('水平方向邊緣 t=',num2str(t)))
figure,imshow(G_s),title(strcat('不考慮方向邊緣 t=',num2str(t)))

prewitt運算元就把上面g1,g2的公式里的2換成1就是了

⑵ 為什麼要研究邊緣檢測運算元和canny運算元它們到底應用在哪些方面畢設要用啊！

主要應用在圖像處理中的邊緣檢測，可參考資料：
Canny邊緣檢測運算元研究及其在醫學圖像中的應用 http://www.doc88.com/p-665134146431.html

Canny邊緣檢測運算元 http://wenku..com/view/a2e8f50c6c85ec3a87c2c5de.html

圖象處理中的邊緣檢測方法——Canny運算元 http://blog.sina.com.cn/s/blog_5ac887ad0100f41i.html

⑶ 圖像分割和圖像邊緣檢測 到底是什麼區別呢

圖像分割是指將特定的影像分割成區域內部屬性一致而區域間不一致的技術。一般圖像分割方法分為基於閾值的方法，基於邊緣的方法，基於區域的方法和基於特定理論的方法，基於邊緣的方法就是首先進行邊緣提取，認為邊緣內的區域就是同一屬性的，然後進行邊緣連接把邊緣閉合起來形成區域。因此可以說邊緣處理只是圖像分割的一種。

⑷ 邊緣檢測的理論依據是什麼有哪些方法各有什麼特點

就是通過一些臨近像素相關演算法突出灰度變化比較大的部分。變化平緩的取值低，變化越劇烈取值越高。比如有卷積演算法，具體計算方法，有拉普拉斯運算元、高斯運算元等的應用。

⑸ photoshop邊緣檢測如何使用

用「調整邊緣」命令狠簡單方便，我粘貼一下昨天剛回答的內容：

調整邊緣主要用來摳毛發。
將要摳部分用選區選個大概（追求快速的話，可以用快速選擇工具）
然後進入調整邊緣（快捷鍵ctrl+alt+R），做出一個叫「半徑」的區域，告訴系統這個區域是毛發，讓系統在其中自動區分，保留毛發去除背景。

至於怎麼做出半徑區域呢？就是用左邊的「調整半徑工具」當畫筆去畫出半徑區域。（右鍵單擊圖標可以選擇變成橡皮擦，去擦半徑）。

勾選「顯示半徑」可以觀察你塗抹出的半徑區域，可以在不勾選的情況下塗抹出個大致，再勾選上仔細休整半徑區域。
「白底視圖」（快捷鍵w）和「黑底視圖」（快捷鍵B）可以用來觀察效果。
不停按x鍵用來切換摳前和摳後效果，對比觀察。
-------------------------------------------------------------------------------
基本上就這些，至於「邊緣檢測」里的半徑，你勾選「顯示半徑」就能看到是自動擴出等距離的「半徑區域」，一般不用這個命令，原因是自己手動塗抹半徑區域更准確，並且邊緣清晰的地方也變成半徑區域的話，反而會變模糊。

至於下面的「平滑」等選項，它們的效果看名字就能看出來吧。不過我一般不用它們，至少摳毛發時一般不用，摳毛發時用諸如「對比度」等一般適得其反。

「凈化顏色」，一般你感覺還是殘留一些背景色時，可以勾上

⑹ 邊緣檢測的簡介

圖像邊緣檢測大幅度地減少了數據量，並且剔除了可以認為不相關的信息，保留了圖像重要的結構屬性。有許多方法用於邊緣檢測，它們的絕大部分可以劃分為兩類：基於查找一類和基於零穿越的一類。基於查找的方法通過尋找圖像一階導數中的最大和最小值來檢測邊界，通常是將邊界定位在梯度最大的方向。基於零穿越的方法通過尋找圖像二階導數零穿越來尋找邊界，通常是Laplacian過零點或者非線性差分表示的過零點。

⑺ 邊緣檢測的檢測邊緣

如果將邊緣認為是一定數量點亮度發生變化的地方，那麼邊緣檢測大體上就是計算這個亮度變化的導數。為簡化起見，我們可以先在一維空間分析邊緣檢測。在這個例子中，我們的數據是一行不同點亮度的數據。例如，在下面的1維數據中我們可以直觀地說在第4與第5個點之間有一個邊界：
除非場景中的物體非常簡單並且照明條件得到了很好的控制，否則確定一個用來判斷兩個相鄰點之間有多大的亮度變化才算是有邊界的閾值，並不是一件容易的事。實際上，這也是為什麼邊緣檢測不是一個微不足道問題的原因之一。
檢測方法
有許多用於邊緣檢測的方法, 他們大致可分為兩類：基於搜索和基於零交叉。
基於搜索的邊緣檢測方法首先計算邊緣強度， 通常用一階導數表示， 例如梯度模，然後，用計算估計邊緣的局部方向， 通常採用梯度的方向，並利用此方向找到局部梯度模的最大值。
基於零交叉的方法找到由圖像得到的二階導數的零交叉點來定位邊緣。 通常用拉普拉斯運算元或非線性微分方程的零交叉點。
濾波做為邊緣檢測的預處理通常是必要的，通常採用高斯濾波。
已發表的邊緣檢測方法應用計算邊界強度的度量，這與平滑濾波有本質的不同。 正如許多邊緣檢測方法依賴於圖像梯度的計算，他們用不同種類的濾波器來估計x-方向和y-方向的梯度。
計算一階導數
許多邊緣檢測操作都是基於亮度的一階導數——這樣就得到了原始數據亮度的梯度。使用這個信息我們能夠在圖像的亮度梯度中搜尋峰值。如果 I(x) 表示點 x 的亮度，I′(x) 表示點 x 的一階導數（亮度梯度），這樣我們就會發現：
對於更高性能的圖像處理來說，一階導數能夠通過帶有掩碼的原始數據（1維）卷積計算得到。

計算二階導數
其它一些邊緣檢測操作是基於亮度的二階導數。這實質上是亮度梯度的變化率。在理想的連續變化情況下，在二階導數中檢測過零點將得到梯度中的局部最大值。另一方面，二階導數中的峰值檢測是邊線檢測，只要圖像操作使用一個合適的尺度表示。如上所述，邊線是雙重邊緣，這樣我們就可以在邊線的一邊看到一個亮度梯度，而在另一邊看到相反的梯度。這樣如果圖像中有邊線出現的話我們就能在亮度梯度上看到非常大的變化。為了找到這些邊線，我們可以在圖像亮度的二階導數中尋找過零點。如果 I(x) 表示點 x 的亮度，I′′(x) 表示點 x 亮度的二階導數，那麼：
同樣許多演算法也使用卷積掩碼快速處理圖像數據：

步驟：
①濾波：邊緣檢測演算法主要是基於圖像強度的一階和二階導數，但導數的計算對雜訊很敏感，因此必須使用濾波器來改善與雜訊有關的邊緣檢測器的性能。需要指出，大多數濾波器在降低雜訊的同時也導致了邊緣強度的損失，因此，增強邊緣和降低雜訊之間需要折中。
②增強:增強邊緣的基礎是確定圖像各點鄰域強度的變化值。增強演算法可以將鄰域(或局部)強度值有顯著變化的點突顯出來。邊緣增強一般是通過計算梯度幅值來完成的。
③檢測：在圖像中有許多點的梯度幅值比較大，而這些點在特定的應用領域中並不都是邊緣，所以應該用某種方法來確定哪些點是邊緣點。最簡單的邊緣檢測判據是梯度幅值閾值判據。
④定位：如果某一應用場合要求確定邊緣位置，則邊緣的位置可在子像素解析度上來估計，邊緣的方位也可以被估計出來。在邊緣檢測演算法中，前三個步驟用得十分普遍。這是因為大多數場合下，僅僅需要邊緣檢測器指出邊緣出現在圖像某一像素點的附近，而沒有必要指出邊緣的精確位置或方向。
邊緣檢測的實質是採用某種演算法來提取出圖像中對象與背景間的交界線。我們將邊緣定義為圖像中灰度發生急劇變化的區域邊界。圖像灰度的變化情況可以用圖像灰度分布的梯度來反映，因此我們可以用局部圖像微分技術來獲得邊緣檢測運算元。經典的邊緣檢測方法，是通過對原始圖像中像素的某小鄰域構造邊緣檢測運算元來達到檢測邊緣這一目的的。